基于模糊集的不確定數(shù)據(jù)聚類算法研究.pdf

1、隨著數(shù)據(jù)挖掘技術的快速發(fā)展，聚類分析技術的應用越來越受到人們的廣泛關注。聚類分析是無監(jiān)督學習的過程，根據(jù)數(shù)據(jù)對象的相似性聚集成簇，從而發(fā)現(xiàn)數(shù)據(jù)集中數(shù)據(jù)的分布規(guī)律和發(fā)展趨勢?，F(xiàn)實數(shù)據(jù)集中存在不可靠、錯誤、不確定、噪聲等屬性對聚類分析的結(jié)果造成嚴重的影響，因此，對不確定數(shù)據(jù)的聚類進行研究具有很高的實用價值，可以使聚類分析結(jié)果更加趨于真實化。
　　本文研究的不確定數(shù)據(jù)主要是數(shù)值型和信息型的屬性不確定數(shù)據(jù)，在對不確定數(shù)據(jù)的聚類研究中，處理

2、障礙不確定數(shù)據(jù)和高維不確定數(shù)據(jù)的聚類是兩個無可避免的問題，同時也是兩個巨大的挑戰(zhàn)。針對以上研究中遇到的問題，本文內(nèi)容結(jié)構(gòu)如下:
　　首先，對于傳統(tǒng)不確定聚類算法無法有效解決障礙不確定數(shù)據(jù)的問題，本文對現(xiàn)有的障礙不確定聚類算法進行優(yōu)化，提出一種基于Voronoi圖的障礙空間中密度聚類算法。該方法引入Dev模糊集中的三角模糊數(shù)來解決數(shù)據(jù)的不確定性問題，同時引入R樹進行剪枝，降低算法計算量，產(chǎn)生相對精準的數(shù)據(jù)集。然后根據(jù)障礙約束分情況進

3、行分析，提高算法的效率，最后運用基于Voronoi圖的密度聚類進行聚類分析，得到更真實準確的聚類結(jié)果。
　　其次，為了對高維不確定數(shù)據(jù)進行有效聚類，本文利用投影子空間技術進行降維，通過對高維不確定數(shù)據(jù)進行子空間投影，有效降低無關或冗余屬性對高維聚類的影響，并且減少了計算量。同時利用近似骨架理論給出聚類算法的初始解，彌補投影子空間易陷入局部解的問題，避免聚類結(jié)果出現(xiàn)局部極值;此外，基于直覺模糊集和相對熵技術提出不確定模糊聚類算法，通